基于可解释人工智能的钢板制造故障诊断与洞见提取
人工智能
2020-08-12 v1 机器学习
机器学习
摘要
随着工业4.0的到来，数据科学与可解释人工智能（XAI）近期在文献中受到相当关注。然而，就计算机编程与所需数学工具而言，进入 XAI 的门槛确实很高。针对钢板故障诊断，本工作报告了一种将基于 XAI 的洞见纳入高精度分类器开发数据科学过程的方法论。利用合成少数类过采样技术（SMOTE）与 medoids 概念，已从 XAI 工具（即 Ceteris Paribus 轮廓、偏依赖与 Breakdown 轮廓）中提取洞见。此外，还从优化后的随机森林与关联规则挖掘中提取了 IF-THEN 规则形式的洞见。将所有洞见整合进单一集成分类器，取得了 10 折交叉验证 94% 的性能。总体而言，本工作作出三项主要贡献：基于 medoids 与 SMOTE 利用的方法论，用于提取洞见并纳入模型开发过程；其次，洞见本身即为贡献，因其惠及钢铁制造业的人类专家；第三，开发了一个高精度故障诊断分类器。
引用
@article{arxiv.2008.04448,
title = {Explainable Artificial Intelligence Based Fault Diagnosis and Insight Harvesting for Steel Plates Manufacturing},
author = {Athar Kharal},
journal= {arXiv preprint arXiv:2008.04448},
year = {2020}
}